Exemples d’entraînement de modèle

Cette section comprend des exemples illustrant comment former des modèles d’apprentissage automatique sur Azure Databricks à l’aide de nombreuses bibliothèques open source populaires.

Vous pouvez également utiliser AutoML, qui prépare automatiquement un jeu de données pour l’entraînement des modèles, effectue un ensemble d’essais à l’aide de bibliothèques open source, telles que scikit-learn et XGBoost, et crée un notebook Python avec le code source pour chaque exécution d’essai afin que vous puissiez examiner, reproduire et modifier le code.

Exemples de machine learning

Package	Notebook(s)	Fonctionnalités
scikit-learn	Didacticiel de Machine Learning	Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow
scikit-learn	Exemple de bout en bout	Unity Catalog, modèle de classification, MLflow, optimisation automatisée des hyperparamètres avec Hyperopt et MLflow, XGBoost
MLlib	Exemples de MLlib	Classification binaire, arbres de décision, régression GBT, Structured Streaming, transformateur personnalisé
xgboost	Exemples de XGBoost	Python, PySpark et Scala, charges de travail mononœuds et entraînement distribué

Exemple de réglage des hyperparamètres

Pour obtenir des informations générales sur le réglage des hyperparamètres dans Azure Databricks, consultez Réglage des hyperparamètres.

Package	Notebook	Fonctionnalités
Optuna	Bien démarrer avec Optuna	Optuna, Optuna distribué, scikit-learn, MLflow
Hyperopt	Hyperopt distribué	Hyperopt distribué, scikit-learn, MLflow
Hyperopt	Comparer des modèles	Utiliser l’hyperopt distribué pour rechercher simultanément l’espace des hyperparamètres de différents types de modèles
Hyperopt	Algorithmes d’entraînement distribué et hyperopt	Hyperopt, MLlib
Hyperopt	Bonnes pratiques pour Hyperopt	Bonnes pratiques pour les jeux de données de différentes tailles